[发明专利]一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统

说明书

本发明公开了一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统。本方法的目的是为了建筑物个体提取，主要包括：改进U‑Net深度神经网络和构建损失函数，基于改进的U‑Net深度神经网络获取影像的二值分类结果和像素点的高维特征向量矩阵，通过均值漂移算法进行聚类分析，最终得到建筑物实例分割结构，即判定建筑物个体。本发明在建筑物二分类的基础上，同时实现了建筑物的实例分割，并一定程度地提高了建筑物二分类提取的精度。

技术领域

本发明属于目标检测领域，尤其涉及一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统。

背景技术

随着深度学习理论的完善和在计算机视觉方面应用的发展，深度神经网络应用于高分辨率遥感影像的研究越来越热门，在深度神经网络与高分辨率影像融合方面，虽然在建筑物二分类提取研究取得了一定的成果，但在精度方面，还有很大的提升空间。

通过增加辅助任务，能够进一步提升深度神经网络提取建筑物的精度，但相关算法研究比较少。在识别建筑物二分类的同时，进行建筑物的实例分割，能表达目标的更多信息，不仅可以提高建筑物提取的精度，在城市规划、道路交通、灾情评估、防灾减灾等多方面更能发挥实际高效的应用价值。但基于高分辨率影像、深度神经网络和辅助任务，同时实现建筑物提取和实例分割的研究几乎没有。

发明内容

本发明的目的是为了在建筑物二分类的基础上，实现实例分割，提高建筑物二分类提取的精度。

本发明基于高分辨率影像、改进的U-Net深度神经网络和采用多任务学习，实现了建筑物二分类的同时进行实例分割。其中多任务学习是指深度网络学习和聚类分析两个任务结合。

本发明公开了一种基于深度神经网络和多任务学习的建筑物目标识别方法，包括以下步骤：

1)改进U-Net深度神经网络，将其编码器中第二层至第六层的卷积层替换为Xception卷积神经网络模型；

2)基于改进的U-Net深度神经网络获取影像的建筑物二值分类结果和像素点的高维特征向量矩阵；

3)通过均值漂移算法对高维特征向量矩阵中建筑物的高维特征向量进行聚类分析；

步骤4)利用获得的聚类结果调整建筑物二值分类结果，最终得到建筑物实例分割结构，即判定建筑物个体。

步骤1)包括如下步骤：

a.搭建U-Net深度神经网络，包括编码器和解码器两个部分，两者都是由连续的卷积层构成；

b.利用Xception卷积神经网络模型替换掉编码器中第二层至第六层的卷积层；

c.构建判别损失函数L_d：

L_d＝αL_var+βL_dist+γL_reg

式中，L_var为同一建筑物的像素点的聚类程度，L_dist为不同建筑物的聚类中心的远离程度，L_reg为权重的正则化，x_i为建筑物的高维向量，C为建筑物个数，c为像素点个数，N_c为建筑物的像素点个数，A和B为不同建筑物，μ_c为建筑物的聚类中心，δ_v为方差，μC_A和μC_B为不同建筑物的聚类中心，2δ_d为两个建筑物的聚类中心的最小距离，α、β、γ为权重。

d.构建总损失函数L_t：

L_t＝L_d+L_b